Dipilih dari software, topik, dan level “Kelas ANFIS Metaheuristik Peramalan Deret Waktu #4: Optimasi Parameter ANFIS dengan PSO dan Genetic Algorithm”.
Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Transkrip
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Tampilkan transkrip
Pembuka
Inilah hasil akhirnya, parameter fungsi keanggotaan ANVIS yang ditemukan oleh PSO dan algoritma genetika. Pada Mackey Glass, ANVIS ga 22% lebih akurat dari gradient descent. Pada sunspot hasilnya lebih beragam, pelajaran penting untuk penelitian. Ayo kita mulai. Halo, selamat datang di episode keempat seri ANVIS Meta Heuristik untuk peramalan deret waktu. Gradient descent bisa terjebak di minimum lokal dan bergantung pada learning rate. Meta Heuristik seperti PSO dan algoritma genetika mencari secara global tanpa gradient. Hari ini kita menggabungkannya dengan ANVIS secara cerdas.
Langkah 1: Fitness, PSO & GA
Buat file optimasi underscore anvis.py Fungsi fitness ANVIS menerima vektor 16 parameter premis, membangun ANVIS, menghitung konsekuen dengan list scores pada 80% data latih, lalu mengembalikan RMSI pada 20% sisanya sebagai data validasi. Jadi Meta Heuristik hanya mencari 16 parameter premis, dan 80 konsekuen diselesaikan secara analitik. Fungsi PSO adalah Partikel Swarm Optimization Standar dengan inersia 0,7. Fungsi GA adalah algoritma genetika bilangan real, seleksi turnamen, crossover BLX-alpha yang menghasilkan anak di sekitar rentang kedua induk, mutasi gauss, dan elitisme dua individu terbaik. Untuk setiap deret, kita latih ANVIS gradient descent sebagai acuan,
Langkah 2: Mengoptimasi kedua deret
lalu jalankan PSO dan GA dengan 20 individu selama 40 iterasi. Batas pusat minus 0,2 sampai 1,2 dan lebar 0,05 sampai 1. Parameter terbaik disimpan ke file JSON untuk episode berikutnya. Jalankan. Pada Mackie Glass, ANVIS PSO mencapai RMSI UG 0,0029, ANVIS GA 0,0025, dan gradient descent 0,0032. Pada Sunspot, ANVIS PSO 0,1251, sedikit lebih baik dari gradient descent 0,1265, tetapi ANVIS GA 0,1303, sedikit lebih buruk meski RMSI validasinya paling kecil. Lanjutkan dengan grafik konvergensi fitness dan perbandingan RMSI UG.
Langkah 3: Konvergensi & RMSE uji
Mari lihat grafiknya. Kurva fitness turun cepat di 10 iterasi pertama. Pada Sunspot, model dengan validasi terbaik tidak selalu terbaik di data uji, karena data validasinya kecil dan data ujinya berisi siklus yang lebih tinggi. Inilah alasan penelitian yang jujur harus memilih model berdasarkan validasi, bukan data uji.
Selesai!
Selesai. Kita sudah mengoptimasi parameter premis ANVIS dengan PSO dan algoritma genetika, dengan konsekuen tetap diselesaikan list scores, dan menganalisis hasilnya secara jujur. Di episode berikutnya kita bandingkan dengan LSTM dan ARIMA. Sedang menyusun skripsi, tesis, atau riset di bidang peramalan dan kecerdasan buatan? Cerdas inovasi digital membantu implementasi model peramalan, dari sistem fazi Sugeno dan ANVIS, optimasi parameter dengan PSO dan algoritma genetika, sampai pembanding LSTM dan ARIMA serta uji daibolt Mariano, serta membuka kursus pemrograman Python untuk teknik. Ingin menguasai seluruh seri ini, dari deret waktu chaos sampai evaluasi statistik? Semua enam episode, lengkap dengan PDF panduan langkah demi langkah, data set, dan source code, tersedia untuk pelanggan tutorial premium. Berlangganan mulai Rp69.000 per bulan, hemat 28% dengan paket 12 bulan, atau sekali bayar Rp999.000 untuk akses seumur hidup. Mau satu kelas saja? Beli kelas satuan dengan akses selamanya. Langganan sekarang di halaman premium cerdas inovasi digital.com. Hubungi WhatsApp kami, atau kunjungi cerdasinovasidigital.com. Terima kasih telah menonton, sampai jumpa di episode berikutnya.
Tanya materi kelas
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan saya
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Tanya jawab
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.
Pengajar
Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
53 kelas video1.286 episode
Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.
